Semantische und logische Datenmodellierung multidimensionaler Strukturen am Beispiel Microsoft SQL Server Yukon

Größe: px
Ab Seite anzeigen:

Download "Semantische und logische Datenmodellierung multidimensionaler Strukturen am Beispiel Microsoft SQL Server Yukon"

Transkript

1 Semantische und logische Datenmodellierung multidimensionaler Strukturen am Beispiel Microsoft SQL Server Yukon Diplomarbeit im Fach Informationstechnik Studiengang Informationswirtschaft der Fachhochschule Stuttgart Hochschule der Medien Michael Jetter Erstprüfer: Zweitprüfer: Prof. Dr.-Ing. Peter Lehmann Prof. Dr. Wolf-Fritz Riekert Bearbeitungszeitraum: 29. April 2004 bis 27. August 2004 Stuttgart, August 2004

2 Kurzfassung 2 Kurzfassung Diese Diplomarbeit beschreibt die semantische und logische Datenmodellierung mehrdimensionaler Datenbanken. Aufbauend auf den Grundlagen der Modellierung für DV- Systeme wird die semantische und logische Datenmodellierung erläutert. Die verschiedenen Modellierungsmöglichkeiten und Methoden zum Design einer mehrdimensionalen Datenbank werden hier vorgestellt. Dabei erfolgt ein Vergleich zwischen relationaler und multidimensionaler Datenbankentwicklung. Das Star-Schema und Snowflake- Schema werden als mehrdimensionale Datenmodelle ausführlich erklärt. Die speziellen Modellierungsaspekte von Zeit, welche im Data Warehouse eine besondere Rolle besitzt, wird ausführlich dargestellt. Im weiteren Verlauf erfolgt eine Illustration der Data Warehouse Referenzarchitektur und des Microsoft SQL Server Dabei werden die Business Intelligence Tools und Funktionalitäten des SQL Servers vorgestellt. Die erläuterten Modelle der gesamten Arbeit werden abschließend anhand einer Fallstudie erarbeitet und nach dem 3-Ebenen Modell semantisch, logisch und physisch auf den SQL ServerExpress 2005 implementiert. Daran kann der Entwicklungszyklus einer mehrdimensionalen Datenbank gezeigt werden. Schlagwörter: mehrdimensionale Datenmodellierung, semantisch, logisch, Entity- Relationship-Modell, Star-Schema, Snowflake-Schema, mehrdimensionale Datenbank, Microsoft SQL Server, Business Intelligence Abstract This diploma thesis discusses the semantically and logically modelling of multidimensional databases. Based on the fundamentals of modelling data processing systems the semantically and logical data models will be explained. Several methods of designing aspects for dimensional modelling are shown. The diploma includes a comparison between relational and dimensional database development. The star-schema and snowflake-schema are introduced, explained and compared. The special aspect of time in data warehouses is discussed in detail. The data warehouse architecture and the Microsoft SQL Server architecture are explained in the fourth chapter. The tools for the business intelligence work with the SQL Server are shown. The designed models of the work are finally shown in a sales case study. Following the 3-level-model these models are worked out semantically, logical and physical subsequently implemented on the SQL ServerExpress This shows a development cycle of dimensional databases. Keywords: dimensional modelling, semantic, logical, entity-relationship-model, starschema, snowflake-schema, multidimensional database, Microsoft SQL Server, business intelligence

3 Inhaltsverzeichnis 3 Inhaltsverzeichnis Kurzfassung...2 Abstract...2 Inhaltsverzeichnis...3 Abbildungsverzeichnis...5 Tabellenverzeichnis...6 Abkürzungsverzeichnis Einleitung Zielsetzung Aufbau der Arbeit Datenmodelle und Modellierungsmethoden Modellierungsebenen Semantische Modellierungsebene Logische Modellierungsebene Physische Modellierungsebene Zusammenfassung und Fazit Modellarten Semantische Datenmodellierung Logische Datenmodellierung Ziele semantischer und logischer Datenmodellierung Zusammenfassung und Fazit Von Fakten und Dimensionen über Fakt- und Dimensionsdaten zum Datenwürfel Vom Entity-Relationship-Modell zum mehrdimensionalen Datenmodell Ein Vorschlag zur Modellerstellung Multidimensionale Strukturen für relationale Datenbanken Modellierungsmethoden für relationale Datenbanken Star-Schema Multistar-Schema Snowflake-Schema Eine Gegenüberstellung von Star-Schema und Snowflake-Schema Zusammenfassung und Fazit Multidimensionale Datenbanken On-Line Analytical Processing (OLAP) Relationales OLAP (ROLAP) Multidimensionales OLAP (MOLAP)...50

4 Inhaltsverzeichnis Hybrides OLAP (HOLAP) Ein Vergleich der OLAP-Architekturen Zusammenfassung und Fazit Modellierung von Zeit Vom mehrdimensionalen Entity-Relationship-Modell zur Methode Hahne Architektur und Arbeitsweise des Microsoft SQL Server Die Data Warehouse Referenzarchitektur und die Microsoft SQL Server 2005 Architektur Business Intelligence mit SQL Server 2005 Analysis Services Analysis Services Enhancements Reporting Services Zusammenfassung Sales Fallstudie Datenmodelle der Fallstudie Transformation der Datenmodelle in das Datenbankmanagementsystem Zusammenfassung und Ausblick...81 Glossar...82 Literaturverzeichnis...85 Erklärung...91

5 Abbildungsverzeichnis 5 Abbildungsverzeichnis Abbildung 1: Ebenen der Modellierung...15 Abbildung 2: Phasen des Datenbank-Entwurfprozesses...16 Abbildung 3: Vorgehensmodell für die Erstellung von Data Warehouses...19 Abbildung 4: Entity-Relationship-Modell...21 Abbildung 5: Multidimensionaler Datenwürfel mit Bestandteilen und Beispieldaten...27 Abbildung 6: Mehrdimensionaler Datenwürfel oder Data-Cube der Fallstudie...27 Abbildung 7: Multidimensionales Schema der Fallstudie in me/r-notation...31 Abbildung 8: Dreidimensionaler Daten-Würfel aus der Fallstudie...34 Abbildung 9: Dualismus von Würfel und Tabelle...35 Abbildung 10: Übergang von ER-Diagramm zum Star-Schema...40 Abbildung 11: Beispiel eines Star-Schemas...41 Abbildung 12: Multistar-Modell in einer Schemadarstellung...44 Abbildung 13: Snowflake-Schema aus der Fallstudie...45 Abbildung 14: Zeithierarchie...54 Abbildung 15: Dimension mit einem Merkmal und deren Beschreibungen...56 Abbildung 16: Modellierung von Basis-Cubes...57 Abbildung 17: Referenzarchitektur für ein Data Warehouse-System...59 Abbildung 18: Data Warehouse Anwendungen...60 Abbildung 19: Schema-Architektur des Microsoft Data Warehouses...61 Abbildung 20: SQL Server Speichervarianten...64 Abbildung 21: Architektur Analysis Services...64 Abbildung 22: Der administrative Zugriff auf den Analysis-Server...65 Abbildung 23: Architektur der Reporting Services SQL Server Abbildung 24: Regionen-Aufteilung der Fallstudie...69 Abbildung 25: Identifizierte Entitäten der Fallstudie...71 Abbildung 26: ER-Modell der Fallstudie Vertrieb...72 Abbildung 27: ER-Modell der Fallstudie Marketing...72 Abbildung 28: Business-Szenario der Fallstudie im Datenmodell...73 Abbildung 29: Business-Szenario im Datenmodell mit Attributen...73 Abbildung 30: Star-Schema Vertrieb...76 Abbildung 31: Star-Schema Marketing...76 Abbildung 32: Business-Szenario im Galaxy-Schema...77 Abbildung 33: Business-Szenario im Galaxy-Schema nach Vertrieb und Marketing...77 Abbildung 34: Business-Szenario als mehrdimensionales Datenmodell...78 Abbildung 35: Sales-Fallstudie im Star-Schema...78 Abbildung 36: Sales-Fallstudie im Partial Snow-Flake Schema...79 Abbildung 37: Relationenübersicht mit den ermittelten Beziehungen...79 Abbildung 38: Beispielabfrage über mehrere Dimensionen der Fallstudie...80

6 Tabellenverzeichnis 6 Tabellenverzeichnis Tabelle 1: Redundante Datenspeicherung in einer Tabelle...37 Tabelle 2: Eigenschaften der Fakten- und Dimensionstabellen...38 Tabelle 3: Vergleich von relationalem und multidimensionalem Datenbankentwurf...39 Tabelle 4: Star-Schema und Snowflake-Schema im Vergleich...47 Tabelle 5: OLAP-Architekturen im Vergleich...51 Tabelle 6: Datenbankklassifikation...53 Tabelle 7: Beispiel einer Dimensionstabelle der Dimension Zeit...54 Tabelle 8: Komponenten-Übersicht SQL Server Tabelle 9: Beschreibung der Entitäten für IBI Technologies...70 Tabelle 10: Datentypen und deren Beschreibungen...74 Tabelle 11: Entitäten mit den Attributen und deren Beschreibung...74

7 Abkürzungsverzeichnis 7 Abkürzungsverzeichnis API BI bzw. DB DBMS d.h. DTS DV DW ER ER/M etc. ETL HOLAP i.d.r. i.e.s. MDBMS MDDM me/r MOLAP NF OLAP RDBMS ROLAP usw. vgl. z.b. 2NF 3NF Application Programming Interface Business Intelligence beziehungsweise Datenbank Database Management System (Datenbankmanagementsystem) das heißt Data Transformation Services Datenverarbeitung Data Warehouse Entity/Relationship Entity-Relationship-Modell etcetera extrahieren, transformieren, laden Hybrides On-Line Analytical Processing in der Regel im eigentlichen Sinn Multidimensionales Datenbankmanagementsystem mehrdimensionales Datenmodell Multidimensionales Entity/Relationship Multidimensionales On-Line Analytical Processing Normalform On-Line Analytical Processing Relationales Datenbankmanagementsystem Relationales On-Line Analytical Processing und so weiter vergleiche zum Beispiel Zweite Normalform Dritte Normalform

8 1 Einleitung 8 1 Einleitung Analytische Informationssysteme werden für die strategische Unternehmenssteuerung und somit als Informationssystem für Führungskräfte und Entscheider in Unternehmen eingesetzt. In diesem Zusammenhang wird ein Data Warehouse als ein unternehmensweites Konzept verstanden, dessen Ziel es ist, eine logische zentrale, einheitliche und konsistente Datenbasis für die vielfältigen Anwendungen zur Unterstützung der analytischen Aufgaben von Fach- und Führungskräften aufzubauen, die losgelöst von den operativen Datenbanken betrieben wird. 1 Aufgrund der Datenanalyse dieser Systeme erfolgen fundierte Entscheidungen, die maßgebliche Auswirkungen auf die Unternehmensstrategie nach sich ziehen. Deshalb sind bereits bei der Systementwicklung und den dabei anzufertigenden Datenmodellen 2 einige Besonderheiten zu beachten. Die multidimensionale Datenanalyse, und somit auch die multidimensionale Datenmodellierung, steht bei analytischen Informationssystemen in einem besonderen Fokus. Die multidimensionale Sichtweise nimmt bei der Datenanalyse in analytischen Informationssystemen eine wichtige Rolle ein. Durch die unterschiedlichen Sichten auf den Datenwürfel können Kennzahlen ermittelt und Rückschlüsse auf die ermittelten Fakten geschlossen werden. Daraus werden z. B. für das Management Signale ermittelt, welche einen Handlungsbedarf anzeigen. Analyseorientierte Informationssysteme zielen auf die Unterstützung der dispositiven und strategischen Prozesse in Unternehmen ab und haben eine zeitnahe Versorgung betrieblicher Entscheidungsträger mit relevanten Informationen zu Analysezwecken im Fokus. 3 Die zentrale Datenbank des Data Warehuse ist der Ort für die Speicherung, Organisation und Repräsentation der verfügbaren Daten. Aus dieser zentralen Rolle heraus kommt der Datenorganisation in der zentralen Datenbank DIE bedeutende Rolle zu. Die Speicherstrukturen, welche durch die Modellkonfiguration festgelegt werden, sind ein entscheidender Faktor über Erfolg und Misserfolg eines Date Warehouse. Provokativ ausgedrückt beginnt die Modellierung nicht mit dem Zeichnen eines Kästchens, sondern sie basiert auf der allgemeinen Theorie der Begriffsbildung (Begriffsrekonstruktion) mit dem Ziel, ein Modell ingenieurgemäß methodisch konstruieren zu können. 4 Die Modelle sollen intuitiv sein. Mit diesem Hintergedanken wurde die Bezeichnung der mehrdimensionalen Datenmodelle für eine relativ alte Modellbasis gebildet. Das Bild Chamoni, Gluchowski (1998), S. 13 Ein (Daten-)Modell wird in diesem Zusammenhang häufig auch als (Daten-)Schema bezeichnet. Hahne (2004a), S. 1 Lehmann (2001), S. 158

9 1 Einleitung 9 des Würfels, welcher als Symbol für die mehrdimensionale Datenanalyse gilt, hat sich in der Zwischenzeit als eingängiges Modell etabliert und ist als solches beim Data Warehouse nicht mehr wegzudenken. Damit die Entscheidungsträger eines Unternehmens ein neu eingeführtes Data Warehouse überhaupt akzeptieren und langfristig nutzen, sind aufgrund der besonderen Qualität von Managementinformationen hohe Anforderungen an die Datenmodellierung zu stellen. 5 In dem Bereich der Datenverarbeitung kommt es immer wieder zu Kommunikationsschwierigkeiten zwischen DV-Laien (z.b. Anwender) und DV-Fachleuten (z.b. Datenbankentwickler). Diese werden häufig lediglich durch Missverständnisse oder die vermehrte und übertriebene Verwendung des jeweiligen Fach-Jargons hervorgerufen. Durch unterschiedliche Bildung und Verwendung von Begriffsystemen der einzelnen Fachbereiche kann oftmals kein Gedankenaustausch erfolgen. 6 In der Projektarbeit zur Implementierung von Business Intelligence Lösungen treten häufiger Kommunikationsschwierigkeiten auf. Dies beruht auf verschiedenen Gründen. Zum einen auf verschiedenen Interpretationen der zwischenmenschlichen Kommunikation, zum anderen auch auf der Darstellungsweise der zu modellierenden Aspekte. Gerade im Bereich der Datenmodellierung ist das Kommunikationsproblem so gering wie möglich zu gestalten. Durch die Gestaltung von intuitiven Modellen, die Standardisierung der Modelle und Vereinheitlichung der Modellsprachen und Anwendungen kann dem Missverständnis durch Verwendung unterschiedlichen Vokabulars der Fachgruppen entgegen gewirkt werden. Ein Datenmodell ist durch Vereinfachungen und die Reduzierung auf Fakten, im Vergleich zu dem Ausschnitt der Realwelt, von DV-Anwendern genauso nachvollziehbar wie für die Spezialistengruppe. Dadurch kann ein weitgehend gleiches Verständnis über das zu realisierende System, vorausgesetzt werden. Beim Aufbau eines Data Warehouse kommt es insbesondere darauf an, die relevanten Begriffe Kennzahlen und Dimensionen herauszuarbeiten und das Data Warehouse entsprechend den Anforderungen der Endanwender zu modellieren. 7 Zum Zeitpunkt der Anfertigung dieser Arbeit steht der Microsoft SQL Server 2005 Beta 2 zur Verfügung. Hierbei handelt es sich um eine SQL ServerExpress-Version, welche nicht alle Funktionen der Endversion des Microsoft SQL Server 2005 zur Verfügung stellt. Bei dieser Beta 2 Version sind keine Analyse-Funktionalitäten enthalten Mucksch, Behme (2000), S. 42 vgl. Lehner (1995b), S. 73ff. Hahne (1999), S. 145

10 1 Einleitung Zielsetzung Ziel der Arbeit ist die Datenmodellierung im Bereich Data Warehouse darzustellen, zu erläutern und anzuwenden. Durch die Anwendung der Datenmodelle auf die Fallstudie und die Anwendung am Beispiel MS SQL Server 2005 soll der Bezug zur Praxis innerhalb der Diplomarbeit hergestellt sein. Auf die verschiedenen Modellierungsmöglichkeiten, auf die Vorgehensweise bei der Datenmodellierung zur Wahrung der Datenqualität wird im Rahmen dieser Arbeit eingegangen. Ein durchgängiges Beispiel dient der Verdeutlichung zu den Erläuterungen dieser Arbeit. Bei jeder Modellerstellung muss darauf geachtet werden, das Modell so einfach wie möglich aufzubauen. Selbstverständlich müssen trotz diesem Aspekt alle relevanten Informationen in dem Modell dargestellt sein. Bei so komplexen Modellen wie im Bereich der Informationssysteme muss auf eine möglichst einfache Darstellung geachtet werden. Bei den einzelnen Entwicklungsschritten zu einem konkreten Data Warehouse werden verschiedene Modellierungstechniken angewandt. Diese spezifizieren in Schritten die Anforderungsanalyse immer weiter, bis das Informationssystem im Betrieb angewendet wird. Informationsverluste dürfen bei dieser Systementwicklung nicht auftreten, da sonst Analyseeinschränkungen für den Anwender entstehen. Eine intuitive und konsistente Systementwicklung muss zu diesen Anforderungen einen großen Beitrag leisten. Ausgehend von der Anforderungsanalyse kann ein Data Warehouse durch verschiedene Modelle erstellt werden. Wie oben bereits erwähnt, ist dabei auf eine intuitive Darstellung zu achten. Aus der Anforderungsanalyse wird ein semantisches Datenmodell gebildet. Dieses wird zum logischen Modell transformiert um schließlich in das konkrete physische Modell übertragen und implementiert zu werden. Der Schwerpunkt dieser Arbeit liegt auf der semantischen und logischen Datenmodellierung. Dabei wird der Datenmodellierung mit dem Star- und Snowflake-Schema besondere Beachtung gewidmet. Ein Data Warehouse-Projekt kann dann als erfolgreich abgeschlossen betrachtet werden, wenn das System für verschiedene Anwender maßgeblich zur Informationsbereitstellung relevanter Informationen zur Unternehmensteuerung beiträgt und dieses Unternehmen durch die Informationen einen Kostenvorteil generieren kann.

11 1 Einleitung Aufbau der Arbeit Kapitel 1: Im Rahmen der vorliegenden Arbeit werden multidimensionale Datenmodelle und Modellierungsmethoden erläutert. Dieses Kapitel wird die Fragestellungen Was sind Datenmodelle?, Wozu dienen Datenmodelle?, Wozu dienen Softwaremodelle? beantworten. Die Konzepte in der Softwareentwicklung werden unter dem Aspekt Wie ist ein Softwaremodell aufgebaut? betrachtet. Kapitel 2: In Multidimensionale Strukturen für relationale Datenbanken wird das Modell der Multidimensionalität betrachtet. Es geht in dem Kapitel um das Bild des Würfels und die Darstellungsform in Relationen. Die Modellierung von Zeit ist nicht im Data Warehouse nicht trivial. Worin liegen die Problemstellungen? Kapitel 3: Das Kapitel Multidimensionale Strukturen für Relationale Datenbanken erläutert die Übertragung der Datenmodelle in die Praxis. Kapitel 4: Anschließend wird der neue Microsoft 8 SQL Server 2005 (Projektname Yukon ) im Rahmen der Arbeit analysiert. Architektur und Arbeitsweise des Microsoft SQL Server 2005 stellt einen Vergleich zu der DW-Referenzarchitektur dar und erläutert die Funktionsweisen der Business Intelligence Tools. Kapitel 5: Die erarbeitete und dargestellten Theorie der Datenmodelle werden im Rahmen einer Fallstudie auf den SQL ServerExpress 2005 übertragen. 8 Bei Microsoft, SQL Server 2005 ( Yukon ) handelt es sich entweder um eingetragene Trademarks oder ein Trademark von Microsoft Corporation. Anschrift: Microsoft Deutschland GmbH, Konrad-Zuse-Str. 1, Unterschleißheim, Microsoft ist nicht Herausgeber dieser Arbeit und ist damit auch nicht für den Inhalt verantwortlich.

12 2 Datenmodelle und Modellierungsmethoden 12 2 Datenmodelle und Modellierungsmethoden Der konventionelle Weg der Systementwicklung besteht darin, [...] entwicklungsrelevante Realitätsausschnitte gegebenenfalls gemeinsam mit der Fachabteilung abzubilden. Die für die Darstellung verwendete Sprache wird durch die Modellierungsmethode vorgegeben. 9 Modell wird häufig auf das italienische Wort modello zurückgeführt, dies bedeutet Muster oder Vorbild. Ein Modell kann wie folgt definiert werden: 10 Wirtschaftsinformatik: Ein Modell ist ein System, das ein anderes System zielgerichtet abbildet. (Ferstl/Sinz 1993) Informatik: Ein Modell ist eine idealisierte, vereinfachte, in gewisser Hinsicht ähnliche Darstellung eines Gegenstands, Systems oder sonstigen Weltausschnitts mit dem Ziel, daran bestimmte Eigenschaften des Vorbilds besser studieren zu können. (Hesse et al. 1992) Traditionellerweise versteht man unter einem Modell die Abbildung der Realität oder eines Realitätsausschnitts. Die Modellbildung ist also ein Abbildungsprozess. Eine zentrale Eigenschaft spielt bei diesem Prozess die Ähnlichkeit. 11 Das Kürzel Modell wird häufig synonym zu Konzept, Schema, Plan, Struktur oder Konzeption verwendet. In der Informationstechnologie wird das Kürzel i.d.r. für ein konkretes Datenmodell oder ein Architekturmodell verwendet. Die Basis für die Entwicklung eines Softwaresystems bildet die Modellierung eines Wirklichkeitsausschnitts. Der darzustellende Wirklichkeitsausschnitt muss zunächst identifiziert und modelliert werden, bevor ein adäquates Informationssystem erstellt werden kann. Der Schlüssel bei der Datenmodellierung liegt darin, den Wirklichkeitsausschnitt möglichst genau zu erfassen und in geeigneter Weise abzubilden, d.h. den Ausschnitt korrekt zu beschreiben. Die gewählte Darstellung sollte möglichst Redundanzfrei sein. Als Ergebnis der Datenmodellierung entsteht ein Datenmodell in Form einer graphischen Darstellung aller Tabellen (Relationen) einer Datenbank, inklusive aller Beziehungen und Schlüssel der Tabellen. Somit entsteht aus dem Datenmodell ein Bild des Datenbankschemas. Dieses Bild muss sich an der Arbeits- und Denkweise der Anwender orientieren. Es gibt Datenmodelle als Beschreibungssprache und Datenmodelle als Ergebnis der Modellierung. Unter der Gruppe der Datenbeschreibungssprache nennt Date auch das 9 vgl. Lehner (1995b), S. 73ff. 10 Lehner (1995a), S Lehner (1995a), S. 27

13 2 Datenmodelle und Modellierungsmethoden 13 relationale Modell. 12 In dieser Arbeit werden vorrangig die Datenmodelle als Datenbeschreibungssprache untersucht. Um für ein DV-Projekt Informationen und Detailangaben zu sammeln und in die verschiedenen Stufen der Entwürfe zu übertragen, können in dem jeweils entsprechenden Datenmodell die Datenklassen (Datenkategorien) festgelegt werden und die Beziehungen zueinander hergestellt werden. Das festlegen der Datenklassen, oder synonym der Entitätsmengen, und Beziehungen werden in dieser Stufe völlig unabhängig von dem später zu verwendenden DV-System vorgenommen. Unter dem DV-System ist in diesem Zusammenhang die Rechnerarchitektur und das Datenbanksystem zu verstehen. Die hier beschriebene Modellierung erfolgt jeweils in drei Schritten. Auf die erste Datenanalyse erfolgt die Festlegung der Entitätsmengen mit dem Entwurf des Entitäten- Beziehungsmodells. Anschließend wird dieses Modell in das konkrete Datenbankschema überführt. Auf die technische Realisierbarkeit wird hier noch nicht geachtet. 13 Die Modellierungsebenen und Methoden der Modellübertragung werden in den Kapiteln 2.1 bis 2.4 näher beschrieben. Im Rahmen der Datenmodellierung treten stets zwei konkurrierende Zielsetzungen auf: 14 a) Das Datenmodell stellt die Grundlage für Diskussionen mit dem Entscheidungsträger dar. Daher muss das Datenmodell die tatsächlichen Zusammenhänge des Verantwortungsbereichs eines Entscheidungsträgers möglichst vollständig und verständlich abbilden, d.h., es muss die Semantik des Realitätsausschnitts wiedergeben. Zu betonen ist, dass das Datenmodell einfach und leicht überschaubar in der Darstellung sein muss, damit ein Entscheidungsträger eines beliebigen Funktionsbereichs im Unternehmen als DV-Laie die im Modell abgebildeten Zusammenhänge schnell nachvollziehen kann. b) Darüber hinaus stellt das Datenmodell für den Datenbankdesigner die Grundlage zur Überführung in ein Datenbankmodell dar. Bezüglich seiner Arbeit muss das Datenmodell möglichst viele Detailinformationen zu den Datenstrukturen wiedergeben, die auch für das Erzielen einer optimalen Systemleistung wichtig sind. Aufgrund der unterschiedlichen Betrachtungen ist es notwendig, einzelne Modellbausteine, je nach Detaillierungsgrad der gewünschten Betrachtung, aus- und einblenden zu können. Diese Modellierungen müssen Plattform- und Hardwareunabhängig durchgeführt werden, um spätere Änderungen mit möglichst wenig anzupassenden Schnittstellen gewährleisten zu können siehe Date (1986) oder Chen, Knöll (1991) 13 vgl. Meier (1998), S Holthuis (2001), S. 117f. 15 vgl. Holthuis (2000), S. 159

14 2 Datenmodelle und Modellierungsmethoden 14 Ein Datenmodell ist das zentrale Hilfsmittel der Datenbank-Technologie zur Herstellung einer Abstraktion von einem gegebenen Realwelt-Ausschnitt und gleichzeitig von den Einzelheiten der physischen Speicherung. 16 Ein Datenmodell bildet somit auch das zentrale Kernstück bei der Datenmodellierung für jedes Data Warehouse. Data Warehose-Systeme werden i.d.r. in Form von multidimensionalen Datenbanken realisiert. Aus diesem Hintergrund wird hier ein Schwerpunkt auf die Multidimensionalität gelegt. Ein gutes Datenmodell für multidimensionale Datenmodelle sollte unter anderem die folgenden Anforderungen erfüllen: 17 Einbindung der Anwender in die ersten Schritte der Modellierungsprozesse Durchgängige Modellierung ( semantisch logisch physisch) Verbindung der Modellierungsebenen Transformationsmöglichkeiten (Durchgängige Modellierung) Einheitliches Modellierungsschema der Datenbank Modell-Dokumentation in Analogie zum Schema-Entwurf System muss erweiterbar und in vertretbarem Aufwand wartbar sein Zukunftsorientierten Systemaufbau besitzen Einheitliche Namenskonventionen der Begriffe (Kennzahlen und Attribute) Datenmodelle sind, wie die Anschauungs- und Idealmodelle der Wirtschafts- und Gesellschaftswissenschaften, Beschreibungen. Sie beschreiben jedoch keine Wirklichkeit, sondern ein Wissen über die lebensweltliche Bedeutung (Semantik) sowie über die maschinelle Repräsentation und Manipulation von Daten. 18 Die Analyse von komplexen Objekten, Vorgängen, Entwicklungen etc., deren Struktur oder Verhalten im einzelnen noch nicht bekannt ist, geschieht zweckmäßigerweise mit Hilfe eines Modells; dieses kann dann sukzessive um bekannte Faktoren, Strukturen und kausale Zusammenhänge erweitert werden, bis das Modell eine gute Annäherung an die gebildete Realität darstellt. 19 Ein Datenmodell soll die Bedeutung und Repräsentation von Daten beschreiben. 20 Ziel der Datenmodellierung ist den Ausschnitt der realen Welt, welcher auf dem Informationssystem abgebildet werden soll, schrittweise zu spezifizieren und schließlich möglichst ohne Informationsverlust auf das Datenbankmanagementsystem zu übertragen. Ein Modell bildet dabei nur die jeweils tatsächlich relevanten Aspekte schematisch ab. 16 Vossen (1999), S vgl. Hahne (2002a), S. 8ff. sowie Holthuis (2001), S. 114ff. 18 Wedekind, (2001), S Lehner (1995b), S Hahne (2002b), S. 401

15 2 Datenmodelle und Modellierungsmethoden 15 Dies ist zur Reduzierung der Komplexität eines Modells und zur besseren Übersichtlichkeit für den Betrachter unbedingt erforderlich. Die zu erwartenden Abfragen der späteren Anwender dienen als Grundlage für die Modellierung im Bereich des Data Warehouse. Von dieser Grundüberlegung sollten alle Modell-Überlegungen bei der Einführung eines Data Warehouse geleitet sein. Bei der Analyse des Informationsbedarfs wird festgelegt, welche Informationen für das geplante Datenbanksystem von Bedeutung sind. Diese Ergebnisse werden im konzeptionellen Schema durch ein semantisches Datenmodell formalisiert. 21 Jeder Entwurf für ein Data Warehouse beginnt Idealerweise mit der konzeptuellen Datenmodellierung und den zugehörigen Vorüberlegungen. Bei dieser Modellierungsstufe wird auf die technische Realisierbarkeit nicht geachtet. Dieser Aspekt erleichtert und verkürzt den Modellentwurf erheblich. Die bereits erwähnte Kommunikation der IT- Experten und Domänenexperten wird durch die grafisch orientierten Modelle erleichtert. Durch diese Entity-Relationship-Modelle, stellt der Experte seine Sicht auf die Welt in grafischer Form dar. 22 Die zunächst informelle Problembeschreibung wird zur grafischen Darstellung auf ein ER-Modell übertragen. Auf die einzelnen Modellierungsmethoden wird in Kapitel 3.1 näher eingegangen. 2.1 Modellierungsebenen Datenmodelle beschreiben die Bedeutung und die Darstellung von Daten. In diesem Kapitel werden die drei Modellierungsebenen erläutert. In der Abbildung 1 ist eine geläufige Strukturierung der Modellierungsebenen grafisch dargestellt. Bei den verschiedenen Modellierungsschritten wird ausgehend von der Informationsbedarfsanalyse, jedes Modell weiter verfeinert und so schrittweise zum Zielsystem hin weiter spezifiziert. Jede der Abstraktionsebenen bleibt dabei unabhängig von dem darunter oder darüber liegenden Modell. Dadurch bleibt die Datenunabhängigkeit der verschiedenen Ebenen gewährleistet. Abbildung 1: Ebenen der Modellierung 23 Der Entwurfsprozess eines Data Warehouse kann danach in die drei Phasen semantische 24, logische und physische Modellierungsebene des Entwurfsprozesses unterglie- 21 Hahne (2002a), S vgl. Bauer, Günzel (2001), S Hahne (1999), S semantisch wird oft auch als konzeptionell oder konzeptual bezeichnet

16 2 Datenmodelle und Modellierungsmethoden 16 dert werden. Die graphische Repräsentation beim semantischen Schema ist frei wählbar. Hier gibt es verschiedene Varianten das Schema darzustellen. Das Augenmerk sollte bei dem Modell jedoch eher auf eine übersichtliche Präsentation, als auf den spezifischen Modellcharakter gelegt werden. Aus dem Schema muss ersichtlich sein, welche Anforderungen an das System gestellt werden. In welcher Notation oder Modellsprache dies geschieht ist auf dieser plattformunabhängigen Ebene noch trivial. Ausgehend vom semantischen Datenmodell wird ein logisches Datenmodell erstellt. Dieses Modell ist bereits auf die Anforderungen und Anwendungsstruktur des Informationssystems auszurichten. Je nach Modellierungsanforderungen der darzustellenden Strukturen ist eine geeignete Datenmodellierungssprache für das System zu wählen. Die Gesamtheit dieser Modellierungs-Ebenen und des Entwurf-Prozesses wird in der Abbildung 2 als Grafik dargestellt und. Abbildung 2: Phasen des Datenbank-Entwurfprozesses 25 Anforderungsanalyse Fachkonzept Ziel der Informationsbedarfsanalyse ist eine möglichst exakte Beschreibung der zu erwartenden Fragestellungen, die an das zu entwickelnde System gerichtet werden. 26 Ausgehend von diesen Fragestellungen muss das Data Warehouse möglichst nahe an den Vorstellungen der Fachbereiche modelliert werden. 25 Vossen (1999), S Hahne (2002a), S. 28

17 2 Datenmodelle und Modellierungsmethoden Semantische Modellierungsebene Die semantische Modellierungsebene ist der Realwelt am Nächsten. Dadurch werden besondere Anforderungen an die Modellierung dieser Ebene gestellt. Die Zeichen oder Symbole sollen Aussagen über Phänomene der realen Welt treffen. 27 Um den Zeichen und Symbolen eine Bedeutung zuordnen zu können, müssen sie an bestimmte Bedeutungen geknüpft sein. Dadurch werden sie für den Menschen interpretierbar. Betrachtet man z.b. die Ziffernfolge 0711, so handelt es sich scheinbar um eine zufällige Ziffernkombination ohne weiteren Informationsgehalt. Werden diese Ziffern jedoch in dieser Reihenfolge mit der Telekommunikation in Verbindung gebracht, so ist die Vorwahl des Stuttgarter Telefonnetzes in dieser Ziffernkombination hinterlegt. Für den menschlichen Betrachter erhalten die Ziffern erst durch diese semantische Zuordnung eine gewünschte Aussagefähigkeit. Das Fachkonzept bildet die Grundlage für das semantische Datenmodell. Im Fachkonzept wird die Bedeutung der handelnden Personen, ihrer Verpflichtungen, Rollen, Handlungen und Mitteilungen beschrieben. Semantische Datenmodelle erlauben nun, die relevanten Objekte der realen Welt mit wenig Informationsverlust abzubilden. Das semantische Schema bildet damit auch die Schnittstelle zu den Benutzern eines Systems. Daher muss auf dieser Ebene aus Sicht des Anwenders definiert werden, welche Kennzahlen und welche Entscheidungsobjekte relevant sind und welche Zusammenhänge zwischen ihnen existieren. 28 Die semantische Ebene beschreibt also Objekte (Entitäten), die im Data Warehouse behandelt werden, unabhängig von der logischen Repräsentation und ihrem physischen Speicher. 29 Das Ziel der semantischen Datenmodellierung ist ein (formales) Abbild des darzustellenden realen Weltausschnitts. Dies soll in formalen Ausdrücken dargestellt werden, um die Betrachtung und Interpretation des Modells zu vereinfachen. Spätestens nach Abschluss der semantischen Datenmodellierung muss die Entscheidung über das zu verwendende Datenbank-System erfolgen (vgl. Abbildung 2), da alle weiteren Modellierungsschritte und Überlegungen systembezogen vorgenommen werden. 30 Das Ergebnis wird als konzeptuelle Grundlage zum Datenbank-Entwurf verwendet Logische Modellierungsebene Das erstellte Datenmodell der semantischen Ebene ist die Grundlage der logischen Modellierungsebene. Das erarbeitete Datenmodell wird durch logische Datenmodelle, in Form eines konkreten Datenmodells aufgearbeitet und somit in die gewählte Modellsprache übertragen. Dabei erfolgt eine Übersetzung der abstrakten Sprache in die 27 Holthuis (2000), S Totok (2000a), S Lehmann (2001), S vgl. Vossen (1999), S. 76

18 2 Datenmodelle und Modellierungsmethoden 18 Begriffe des Datenbankmodells. Die Regeln der Übersetzung werden in Metadaten hinterlegt, damit die Transformation von Ebene zu Ebene nachvollziehbar bleibt. Das semantische Datenmodell wird in dieser Designphase präzisiert. In Abhängigkeit von dem zu verwendenden Datenbanksystem wird das konzeptionelle Modell in das zugrunde liegende Datenbankmodell übertragen. Dieses logische Modell stellt das Bindeglied zwischen konzeptionellem und physischem Design dar. 31 Das entstandene Modell wird als Datenbank-Schema bezeichnet Physische Modellierungsebene Auf physischer Ebene werden die Objekte der logischen Ebene umgesetzt bzw. auf einem konkreten Datenbankmanagementsystem (DBMS) implementiert. Hierbei spielen Zugriffsgeschwindigkeit und Speicherplatzoptimierung eine wesentliche Rolle. 32 Beim physischen Entwurf ist ein Design für möglichst kurze Zugriffszeiten auf die zu speichernden Daten zu erstellen. Durch geeignete Speicherstrukturen und Dateisysteme kann das Laufzeitverhalten der zu erwartenden Anfragen deutlich reduziert werden. Daraus entstehen bessere Performanceergebnisse, was den Erfolg jedes Datenbankentwurfs nachhaltig steigert. Durch das physische Modell werden unter anderem festegelegt: 33 Verwendbare Dateiformate Zuweisung des Speicherplatzes Gruppierung von Blöcken zu Clustern Denormalisierung der Tabellen Indexauswahl Etc. Vorgehen bei der Entwicklung von multidimensionalen Informationssystemen Das Vorgehen, wie in Abbildung 3 dargestellt, entspricht der klassischen Erstellung eines Data Warehouses. Hier ist auch dargestellt, dass bei dem jeweiligen Modell- Entwurf kein völlig autarker Prozess vorliegen muss, sondern dass bei Bedarf das jeweils vorige Modell der Prozesskette anzupassen ist. 31 Hahne (2002a), S Totok (2000a), S vgl. Vossen (1999), S. 78

19 2 Datenmodelle und Modellierungsmethoden 19 Abbildung 3: Vorgehensmodell für die Erstellung von Data Warehouses Zusammenfassung und Fazit Der Modellierungsprozess beginnt mit der Problemspezifikation auf einer zunächst zielsystemunabhängigen Ebene und endet als implementierbares Datenbankschema. 35 Primäres Ziel ist die Bereinigung und allgemeine Konsensfindung der rekonstruierten Fachbegriffe eines Anwendungsgebietes für die fachliche Spezifikation der Systemlösung. Am Ende dieses Teil-Prozesses wird ein semantisches Datenmodell konstruiert, das die relevanten Sachverhalte der realen Welt ohne Informationsverlust abbildet. Das semantische Schema bildet damit auch die Schnittstelle zu den Benutzern eines Systems. Daher muss auf dieser semantischen Ebene aus Sicht des Anwenders definiert werden, welche Kennzahlen und welche Entscheidungsobjekte relevant sind und welcher Zusammenhang zwischen ihnen existiert Modellarten Ein Datenmodell, welches auf einer relativ einfachen Struktur beruht, besitzt letztlich auch die Chance einen komplexen Realitätsausschnitt noch übersichtlich darstellen zu können. Von einer Überfrachtung des Grundmusters der Modellierungssegmente (Symbole, Farbgestaltung, Ebenen, etc.) ist Abstand zu wahren. 37 Start small think big gibt den Gedanken in einfachen Worten wieder. Die Modellgestaltung sollte so einfach wie möglich erfolgen, es muss aber jeder Aspekt bedacht werden und somit auch im Modell darstellbar sein. 34 in Anlehnung an Totok (2000a), S Holthuis (2000), S Lehmann (2001), S vgl. Kimball (1996), S. 10

20 2 Datenmodelle und Modellierungsmethoden 20 In den letzten Jahren ist die Forderung nach einfacher Verständlichkeit, Anwendbarkeit und Benutzbarkeit des in Form von Daten repräsentierten und manipulierten Wissens ins Zentrum der Theorie und Praxis von Datenmodellen gerückt: Es wurden semantische Datenmodelle und konstruktive Verfahren entwickelt, mit denen sich Wissen über die Bedeutung komplexer Datenbestände explizit repräsentieren lässt. 38 Eine grafische Notation für multidimensionale Informationssysteme muss in der Lage sein, die Basiskonstrukte, wie Kennzahlen, Dimensionen oder Ableitungsregeln, adäquat in einem Modell abzubilden. 39 Ergebnis des Entwurfsprozesses ist zunächst das multidimensionale Datenmodell, das Unternehmenszahlen (z.b. Umsätze) sowie Analysemerkmale für diese Kennzahlen (z.b. Umsätze nach Region und Kunden) dokumentiert Semantische Datenmodellierung Nach dem Abschluss der Anforderungsanalyse kann mit der semantischen Datenmodellierung begonnen werden. Dabei werden alle konzeptuellen Anforderungen in die Überlegungen mit eingeschlossen. Durch die Systemunabhängigkeit während dieser Modellierungsphase, kann das Konzept frei von konkreten Anforderungen der Datenbanksysteme erstellt werden. Das semantische Datenmodell zeichnet sich durch einen hohen Abstraktionsgrad aus. Während dieser Modellierungsphase muss auf die Modellqualität sehr großen Wert gelegt werden, um aufwendige Anpassungsarbeiten von Beginn möglichst gering zu halten. Da innerhalb dieser Modellierungsebene die Anwendung aus der Sicht des Anwenders dargestellt wird, muss dessen Terminologie verwendet werden. Für die semantische Datenmodellierung wird häufig das von Chen im Jahre 1976 entwickelte Entity-Relationship-Modell 41 (ER/M) angewendet. 42 Dieses Modell wurde bis heute immer wieder modifiziert, ist aber in seiner Grundstruktur erhalten geblieben und ist heute als Standardmodellierungssprache im Datenbankdesign zu bezeichnen. Das ER/M besteht aus Entitäten (engl. entities), aus Objekten der realen Welt, Attributen, Eigenschaften der Entitäten, und Beziehungen (engl. relations) zwischen Entitäten. 43 So wurde beispielsweise jedes Buch von mindestens einem Autor verfasst. Solche Tatsachen werden im ER/M durch die Beziehung dargestellt (siehe Abbildung 4). 38 Wedekind (2001), S Totok (2000b), S Lehmann (2001), S weitere Ausführungen siehe Chen, Knöll (1991) 42 vgl. Holthuis (2001), S. 142ff. 43 vgl. Date (1986), S. 125ff.

Komponenten und Architekturen von Analytischen Informationssystemen (AIS)

Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Melanie Pfoh Konsultation 27. Juni 2013 Hinweis Diese Folien ersetzen keinesfalls den Übungsstoff des zugehörigen e-learning-kurses.

Mehr

Logische Modellierung von Data Warehouses

Logische Modellierung von Data Warehouses Logische Modellierung von Data Warehouses Vertiefungsarbeit von Karin Schäuble Gliederung. Einführung. Abgrenzung und Grundlagen. Anforderungen. Logische Modellierung. Methoden.. Star Schema.. Galaxy-Schema..

Mehr

MIS by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001

MIS by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001 MIS Glossar by Franziska Täschler, Winformation GmbH ftaeschler@winformation-gmbh.ch Ausgabe 01/2001 Aggregat Data Cube Data Marts Data Mining Data Warehouse (DWH) Daten Decision Support Systeme (DSS)

Mehr

Einführung in OLAP und Business Analysis. Gunther Popp dc soft GmbH

Einführung in OLAP und Business Analysis. Gunther Popp dc soft GmbH Einführung in OLAP und Business Analysis Gunther Popp dc soft GmbH Überblick Wozu Business Analysis mit OLAP? OLAP Grundlagen Endlich... Technischer Background Microsoft SQL 7 & OLAP Services Folie 2 -

Mehr

1 Einleitung. Betriebswirtschaftlich administrative Systeme

1 Einleitung. Betriebswirtschaftlich administrative Systeme 1 1 Einleitung Data Warehousing hat sich in den letzten Jahren zu einem der zentralen Themen der Informationstechnologie entwickelt. Es wird als strategisches Werkzeug zur Bereitstellung von Informationen

Mehr

Kapitel DB:III. III. Konzeptueller Datenbankentwurf

Kapitel DB:III. III. Konzeptueller Datenbankentwurf Kapitel DB:III III. Konzeptueller Datenbankentwurf Einführung in das Entity-Relationship-Modell ER-Konzepte und ihre Semantik Charakterisierung von Beziehungstypen Existenzabhängige Entity-Typen Abstraktionskonzepte

Mehr

Christian Kurze BI-Praktikum IBM WS 2008/09

Christian Kurze BI-Praktikum IBM WS 2008/09 Einführung in die multidimensionale Datenmodellierung e mit ADAPT BI-Praktikum IBM WS 2008/09 1 Gliederung Einführung multidimensionale Datenmodellierung 1. Multidimensionales Modell BI-Praktikum IBM WS

Mehr

Hinweise zur Klausur Zusammenfassung OPAL-Übungen / Kontrollfragen Fragen Vertiefung Modellierung

Hinweise zur Klausur Zusammenfassung OPAL-Übungen / Kontrollfragen Fragen Vertiefung Modellierung Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Melanie Pfoh Konsultation Zusammenfassung OPAL 24. Juni 2014 Agenda Hinweise zur Klausur Zusammenfassung OPAL-Übungen / Kontrollfragen

Mehr

Datenbanktechnologie für Data-Warehouse-Systeme

Datenbanktechnologie für Data-Warehouse-Systeme Wolfgang Lehner Datenbanktechnologie für Data-Warehouse-Systeme Konzepte und Methoden dpunkt.verlag 1 1.1 1.2 1.3 1.4 1. 5 2 2.1 2.2 2.3 Einleitung 1 Betriebswirtschaftlicher Ursprung des Data Warehousing...

Mehr

Data Warehouse Grundlagen

Data Warehouse Grundlagen Seminarunterlage Version: 2.10 Version 2.10 vom 24. Juli 2015 Dieses Dokument wird durch die veröffentlicht.. Alle Rechte vorbehalten. Alle Produkt- und Dienstleistungs-Bezeichnungen sind Warenzeichen

Mehr

Data Lineage goes Traceability - oder was Requirements Engineering von Business Intelligence lernen kann

Data Lineage goes Traceability - oder was Requirements Engineering von Business Intelligence lernen kann Data Lineage goes Traceability - oder was Requirements Engineering von Business Intelligence lernen kann Andreas Ditze MID GmbH Kressengartenstraße 10 90402 Nürnberg a.ditze@mid.de Abstract: Data Lineage

Mehr

Komponenten und Architekturen von Analytischen Informationssystemen (AIS)

Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Komponenten und Architekturen von Analytischen Informationssystemen (AIS) Melanie Pfoh Konsultation Zusammenfassung OPAL 6. Übung Juni 2015 Agenda Hinweise zur Klausur Zusammenfassung OPAL Übungen / Kontrollfragen

Mehr

OLAP und Data Warehouses

OLAP und Data Warehouses OLP und Data Warehouses Überblick Monitoring & dministration Externe Quellen Operative Datenbanken Extraktion Transformation Laden Metadaten- Repository Data Warehouse OLP-Server nalyse Query/Reporting

Mehr

Eignung unterschiedlicher Faktenmodellierungen in Data Warehouse-Systemen

Eignung unterschiedlicher Faktenmodellierungen in Data Warehouse-Systemen Christoph Arnold (B. Sc.) Prof. Dr. Harald Ritz Eignung unterschiedlicher Faktenmodellierungen in Data Warehouse-Systemen AKWI-Tagung, 17.09.2012, Hochschule Pforzheim Christoph Arnold, Prof. Dr. Harald

Mehr

Business Intelligence Praktikum 1

Business Intelligence Praktikum 1 Hochschule Darmstadt Business Intelligence SS 2014 Fachbereich Informatik Praktikumsversuch 1 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 07.05.2014 Business Intelligence Praktikum

Mehr

Business Intelligence Praktikum 1

Business Intelligence Praktikum 1 Hochschule Darmstadt Business Intelligence WS 2013-14 Fachbereich Informatik Praktikumsversuch 1 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 14.10.2013 Business Intelligence Praktikum

Mehr

Business Intelligence

Business Intelligence Business Intelligence Anwendungssysteme (BIAS) Lösung Aufgabe 1 Übung WS 2012/13 Business Intelligence Erläutern Sie den Begriff Business Intelligence. Gehen Sie bei der Definition von Business Intelligence

Mehr

Solution for Business Intelligence. MID Insight 2013

Solution for Business Intelligence. MID Insight 2013 Solution for Business Intelligence MID Insight 2013 A G E N D A 1. Solution für Business Intelligence (BI) 2. Die Gründe und Hintergründe 3. Die Methode 4. Vorteile MID GmbH 2013 2 Solution für Business

Mehr

Aufbau eines Data Warehouse für den Lebensmitteleinzelhandel

Aufbau eines Data Warehouse für den Lebensmitteleinzelhandel Die Fallstudie aus der Wirtschaftsinformatik: Aufbau eines Data Warehouse für den Lebensmitteleinzelhandel Dipl.-Kfm. Carsten Bange, Dr. Heiko Schinzer, Würzburg 1. Ausgangssituation Der hohe Wettbewerbsdruck

Mehr

Data Warehouse Technologien

Data Warehouse Technologien mitp Professional Data Warehouse Technologien von Veit Köppen, Gunter Saake, Kai-Uwe Sattler 2. Auflage 2014 Data Warehouse Technologien Köppen / Saake / Sattler schnell und portofrei erhältlich bei beck-shop.de

Mehr

Star-Schema-Modellierung mit ERwin - eine kritische Reflexion der Leistungspotentiale und Anwendungsmöglichkeiten

Star-Schema-Modellierung mit ERwin - eine kritische Reflexion der Leistungspotentiale und Anwendungsmöglichkeiten Star-Schema-Modellierung mit ERwin - eine kritische Reflexion der Leistungspotentiale und Anwendungsmöglichkeiten Michael Hahne T&I GmbH Workshop MSS-2000 Bochum, 24. März 2000 Folie 1 Worum es geht...

Mehr

Intelligente Kanzlei

Intelligente Kanzlei Seite 1 von 5 Intelligente Kanzlei Datawarehouse und OLAP in der Steuerkanzlei Notwendigkeit eines Kanzleiinformationssystems Seit einigen Jahren sind enorme Veränderungen am Beratungsmarkt durch einen

Mehr

Data Warehouses. Data Warehouse Architektur ... Sommersemester 2011. Melanie Herschel melanie.herschel@uni-tuebingen.de

Data Warehouses. Data Warehouse Architektur ... Sommersemester 2011. Melanie Herschel melanie.herschel@uni-tuebingen.de Data Warehouses Sommersemester 2011 Melanie Herschel melanie.herschel@uni-tuebingen.de Lehrstuhl für Datenbanksysteme, Universität Tübingen Data Warehouse Architektur Data-Warehouse-System Teilsichten

Mehr

Umsetzung der Anforderungen - analytisch

Umsetzung der Anforderungen - analytisch Umsetzung der Anforderungen - analytisch Titel des Lernmoduls: Umsetzung der Anforderungen - analytisch Themengebiet: New Economy Gliederungspunkt im Curriculum: 4.2.5.5 Zum Inhalt: In diesem Modul wird

Mehr

Einführungsveranstaltung: Data Warehouse

Einführungsveranstaltung: Data Warehouse Einführungsveranstaltung: 1 Anwendungsbeispiele Berichtswesen Analyse Planung Forecasting/Prognose Darstellung/Analyse von Zeitreihen Performancevergleiche (z.b. zwischen Organisationseinheiten) Monitoring

Mehr

1... Einleitung... 15. 2... Grundlagen der Datenmodellierung... 25. 3... SAP NetWeaver BW und SAP BusinessObjects Überblick... 57

1... Einleitung... 15. 2... Grundlagen der Datenmodellierung... 25. 3... SAP NetWeaver BW und SAP BusinessObjects Überblick... 57 1... Einleitung... 15 1.1... Zielgruppen dieses Buches... 17 1.2... Aufbau des Buches... 18 1.3... Hinweise zur Benutzung des Buches... 21 1.4... Danksagung... 23 2... Grundlagen der Datenmodellierung...

Mehr

Multidimensionales Datenmodell, Cognos

Multidimensionales Datenmodell, Cognos Data Warehousing (II): Multidimensionales Datenmodell, Cognos Praktikum: Data Warehousing und Mining Praktikum Data Warehousing und Mining, Sommersemester 2010 Vereinfachte Sicht auf die Referenzarchitektur

Mehr

Kapitel 2 Terminologie und Definition

Kapitel 2 Terminologie und Definition Kapitel 2 Terminologie und Definition In zahlreichen Publikationen und Fachzeitschriften tauchen die Begriffe Data Warehouse, Data Warehousing, Data-Warehouse-System, Metadaten, Dimension, multidimensionale

Mehr

Nach Data Warehousing kommt Business Intelligence

Nach Data Warehousing kommt Business Intelligence Nach Data Warehousing kommt Business Intelligence Andrea Kennel Trivadis AG Glattbrugg, Schweiz Schlüsselworte: Business Intelligence, Data Warehouse Zusammenfassung Data Warehouse bedeutet, dass operative

Mehr

Entwicklung von Data-Warehouse-Systemen

Entwicklung von Data-Warehouse-Systemen Matthias Goeken Entwicklung von Data-Warehouse-Systemen Anforderungsmanagement, Modellierung, Implementierung Mit einem Geleitwort von Prof. Dr. Ulrich Hasenkamp Deutscher Universitäts-Verlag Inhaltsverzeichnis

Mehr

Fundamentals of Software Engineering 1

Fundamentals of Software Engineering 1 Folie a: Name Fundamentals of Software Engineering 1 Grundlagen der Programmentwurfstechnik 1 Sommersemester 2012 Dr.-Ing. Stefan Werner Fakultät für Ingenieurwissenschaften Folie 1 Inhaltsverzeichnis

Mehr

IM FOKUS: DESIGN & MANAGEMENT VON DATA WAREHOUSES

IM FOKUS: DESIGN & MANAGEMENT VON DATA WAREHOUSES 10 IM FOKUS: DESIGN & MANAGEMENT VON DATA WAREHOUSES Step by Step Zehn Schritte für ein erfolgreiches Data Warehouse Design IM FOKUS: DESIGN & MANAGEMENT VON DATA WAREHOUSES Data Warehouse Technologie

Mehr

OLAP mit dem SQL-Server

OLAP mit dem SQL-Server Hartmut Messerschmidt Kai Schweinsberg OLAP mit dem SQL-Server Eine Einführung in Theorie und Praxis IIIBibliothek V dpunkt.verlag Teil OLAP undder Microsoft SQL-Server 1 1 Theoretische Grundlagen 3 1.1

Mehr

Befragung und empirische Einschätzung der Praxisrelevanz

Befragung und empirische Einschätzung der Praxisrelevanz Befragung und empirische Einschätzung der Praxisrelevanz eines Vorgehensmodells zur Auswahl von CRM-Systemen D I P L O M A R B E I T zur Erlangung des Grades eines Diplom-Ökonomen der Wirtschaftswissenschaftlichen

Mehr

Vorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII

Vorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII Vorwort zur zweiten Auflage...V Vorwort zur ersten Auflage... VIII 1 Management Support Systeme und Business Intelligence Anwendungssysteme zur Unterstützung von Managementaufgaben...1 1.1 Computergestützte

Mehr

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft

Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft Business Intelligence und Geovisualisierung in der Gesundheitswirtschaft Prof. Dr. Anett Mehler-Bicher Fachhochschule Mainz, Fachbereich Wirtschaft Prof. Dr. Klaus Böhm health&media GmbH 2011 health&media

Mehr

3. Spezielle ER-Modelle und Tabellenableitung. Transformation von ER-Diagrammen in Relationen

3. Spezielle ER-Modelle und Tabellenableitung. Transformation von ER-Diagrammen in Relationen 3. Spezielle ER-Modelle und Tabellenableitung Spezialfälle von ER-Modellen Grundlage, was sind Relationen Transformation von ER-Diagrammen in Relationen 56 Lesebeispiel Access (Realisierungmodell!) 57

Mehr

EDV-GESTÜTZTES ENTWERFEN, BERECHNEN UND KONSTRUIEREN IM BAUINGENIEURWESEN Prof. Dr.-Ing. Klaus Wassermann MODULPRÜFUNG

EDV-GESTÜTZTES ENTWERFEN, BERECHNEN UND KONSTRUIEREN IM BAUINGENIEURWESEN Prof. Dr.-Ing. Klaus Wassermann MODULPRÜFUNG EDV-GESTÜTZTES ENTWERFEN, BERECHNEN UND KONSTRUIEREN IM BAUINGENIEURWESEN Prof. Dr.-Ing. Klaus Wassermann MODULPRÜFUNG Bachelorstudiengang Facility Management Informatik am 26. September 2007 Name, Vorname

Mehr

Business Intelligence. Data Warehouse / Analyse Sven Elvers 2005-07-06

Business Intelligence. Data Warehouse / Analyse Sven Elvers 2005-07-06 Business Intelligence Data Warehouse / Analyse Sven Elvers 2005-07-06 Einleitung Dieses Dokument beschreibt einen für das Verständnis relevanten Teil der Präsentation. Business Intelligence Motivation

Mehr

Agenda. Themenblock: Data Warehousing (I) Referenzarchitektur. Eigenschaften eines Data Warehouse. Einführung Data Warehouse Data Access mit SQL

Agenda. Themenblock: Data Warehousing (I) Referenzarchitektur. Eigenschaften eines Data Warehouse. Einführung Data Warehouse Data Access mit SQL Themenblock: Data Warehousing (I) Praktikum: Data Warehousing und Data Mining 2 Eigenschaften eines Data Warehouse Referenzarchitektur Integrierte Sicht auf beliebige Daten aus verschieden Datenbanken

Mehr

Relationale Datenbanken Kursziele

Relationale Datenbanken Kursziele Relationale Datenbanken Kursziele DB Grundlagen Daten-Modellierung Relationales Modell und DB => Praxis: Mit SQL als Anfragesprache Mit MySQL als DB RDB 1-1 Kursinhalt (Tage) 1. DB Einleitung / Entity-Relationship

Mehr

Relationale Datenbanken Datenbankgrundlagen

Relationale Datenbanken Datenbankgrundlagen Datenbanksystem Ein Datenbanksystem (DBS) 1 ist ein System zur elektronischen Datenverwaltung. Die wesentliche Aufgabe eines DBS ist es, große Datenmengen effizient, widerspruchsfrei und dauerhaft zu speichern

Mehr

Einleitung. Literatur. Pierre Fierz. Architektur von Datenbanksystemen. Physische Datenunabhängigkeit. Der Datenbank Administrator (DBA) 1.

Einleitung. Literatur. Pierre Fierz. Architektur von Datenbanksystemen. Physische Datenunabhängigkeit. Der Datenbank Administrator (DBA) 1. Inhalt der Vorlesung Literatur 1 Datenmodellierung (Entity-Relationship Modell) 2 Das relationale Modell 3 Relationenalgebra 4 Datenbanksprache (SQL) 5 Normalisierung 6 Vom ERM zum Datenbankschema 7 Routinen

Mehr

Hetero-Homogene Data Warehouses

Hetero-Homogene Data Warehouses Hetero-Homogene Data Warehouses TDWI München 2011 Christoph Schütz http://hh-dw.dke.uni-linz.ac.at/ Institut für Wirtschaftsinformatik Data & Knowledge Engineering Juni 2011 1 Data-Warehouse-Modellierung

Mehr

Themenblock: Erstellung eines Cube

Themenblock: Erstellung eines Cube Themenblock: Erstellung eines Cube Praktikum: Data Warehousing und Data Mining Einführung relationale Datenbanken Problem Verwaltung großer Mengen von Daten Idee Speicherung der Daten in Form von Tabellen

Mehr

Data Warehouse. für den Microsoft SQL SERVER 2000/2005

Data Warehouse. für den Microsoft SQL SERVER 2000/2005 Warehouse für den Microsoft SQL SERVER 2000/2005 Begriffe 1 DWH ( Warehouse) ist eine fachübergreifende Zusammenfassung von Datentabellen. Mart ist die Gesamtheit aller Datentabellen für einen fachlich

Mehr

Relationale Datenbanken Kursziele

Relationale Datenbanken Kursziele Relationale Datenbanken Kursziele DB Grundlagen Daten-Modellierung Relationales Modell und DB => Praxis: Mit SQL als Anfragesprache Mit MySQL als DB RDB 1-1 Kursinhalt (Tage) 1. Einleitung / Entity-Relationship

Mehr

Fachbereich Informatik Praktikum 1

Fachbereich Informatik Praktikum 1 Hochschule Darmstadt DATA WAREHOUSE SS2015 Fachbereich Informatik Praktikum 1 Prof. Dr. S. Karczewski Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 14.April.2015 1. Kurzbeschreibung In diesem Praktikum geht

Mehr

Software-Engineering und Datenbanken

Software-Engineering und Datenbanken Software-Engineering und Datenbanken Prof. Dr. Bernhard Schiefer bernhard.schiefer@fh-kl.de http://www.fh-kl.de/~schiefer Prof. Dr. Bernhard Schiefer 1-1 Wesentliche Inhalte Begriff DBS Datenbankmodelle

Mehr

Kapitel. 7: Datenmanagement. Wirtschaftsinformatik Eine Einführung. Detlef Schoder Folie 7.1. Laudon/Laudon/Schoder:

Kapitel. 7: Datenmanagement. Wirtschaftsinformatik Eine Einführung. Detlef Schoder Folie 7.1. Laudon/Laudon/Schoder: Laudon/Laudon/Schoder: Wirtschaftsinformatik Eine Einführung Kapitel 7: Datenmanagement Wirtschaftsinformatik Eine Einführung Folie 7.1 Gegenstand Anforderungen, die die Datenverwaltung an die Unternehmensführung

Mehr

The integration of business intelligence and knowledge management

The integration of business intelligence and knowledge management The integration of business intelligence and knowledge management Seminar: Business Intelligence Ketevan Karbelashvili Master IE, 3. Semester Universität Konstanz Inhalt Knowledge Management Business intelligence

Mehr

WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE'

WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE' Take control of your decision support WAHLPFLICHTBEREICH WIRTSCHAFTSINFORMATIK 'DATA WAREHOUSE' Sommersemester 2008 Gliederung Business Intelligence und Data Warehousing On-Line Analytical Processing Ziel

Mehr

Bachelor/Master-Thesis (für den Standort Stuttgart) Treiberbasierte Planung

Bachelor/Master-Thesis (für den Standort Stuttgart) Treiberbasierte Planung Bachelor/Master-Thesis (für den Standort Stuttgart) Treiberbasierte Planung Hochschulstudium (Wirtschaftsinformatik oder ein vergleichbarer Studiengang) Fachliche und technische Kenntnisse im Bereich Business

Mehr

eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator

eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator eevolution Business Intelligence Oliver Rzeniecki COMPRA GmbH Programmierer & Datenbankadministrator Agenda Was ist Business Intelligence? Was ist OLAP? Unterschied zwischen OLAP und OLTP? Bestandteile

Mehr

Data Warehousing. Sommersemester 2005. Ulf Leser Wissensmanagement in der Bioinformatik

Data Warehousing. Sommersemester 2005. Ulf Leser Wissensmanagement in der Bioinformatik Data Warehousing Sommersemester 2005 Ulf Leser Wissensmanagement in der Bioinformatik ... Der typische Walmart Kaufagent verwendet täglich mächtige Data Mining Werkzeuge, um die Daten der 300 Terabyte

Mehr

Data-Vault-Automation aus dem Datenmodellierungstool. 1. Tagung der DDVUG am 24.Juni2014

Data-Vault-Automation aus dem Datenmodellierungstool. 1. Tagung der DDVUG am 24.Juni2014 Data-Vault-Automation aus dem Datenmodellierungstool 1. Tagung der DDVUG am 24.Juni2014 A G E N D A 1. MID & Innovator 2. Modell & Methode 3. Architektur & Automatisierung 4. Nutzen & Veränderung MID GmbH

Mehr

Modellgetriebene Entwicklungsprozesse in der Praxis - eine Bestandsaufnahme. Tillmann Schall, anaptecs GmbH

Modellgetriebene Entwicklungsprozesse in der Praxis - eine Bestandsaufnahme. Tillmann Schall, anaptecs GmbH Modellgetriebene Entwicklungsprozesse in der Praxis - eine Bestandsaufnahme Tillmann Schall, anaptecs GmbH : Agenda Grundlagen modellgetriebener Entwicklungsprozesse Schritte zur Einführung Erfahrungen

Mehr

Welche Daten gehören ins Data Warehouse?

Welche Daten gehören ins Data Warehouse? Welche Daten gehören ins Warehouse? Dani Schnider Principal Consultant 9. Januar 2012 In vielen DWH-Projekten stellt sich die Frage, welche Daten im Warehouse gespeichert werden sollen und wie dieser Datenumfang

Mehr

Business Intelligence im Krankenhaus

Business Intelligence im Krankenhaus Business Intelligence im Krankenhaus Dr. Thomas Lux Holger Raphael IT-Trends in der Medizin 03.September 2008 Essen Gliederung Herausforderungen für das Management im Krankenhaus Business Intelligence

Mehr

IT-basierte Erstellung von Nachhaltigkeitsberichten. Diplomarbeit

IT-basierte Erstellung von Nachhaltigkeitsberichten. Diplomarbeit IT-basierte Erstellung von Nachhaltigkeitsberichten Diplomarbeit zur Erlangung des Grades eines Diplom-Ökonomen der Wirtschaftswissenschaftlichen Fakultät der Leibniz Universität Hannover vorgelegt von

Mehr

Datenbanken / Datenbankmanagementsystem

Datenbanken / Datenbankmanagementsystem Datenbanken / Datenbankmanagementsystem 1.Einführung Daten, Informationen; Datenbank, Datenbanksystem; Relationale Datenbanksysteme; Beispiel Access 2.Aufbau von Datenbanken Datenanalyse; Entitäten-Beziehungsmodell;

Mehr

David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects

David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects Thema: David gegen Goliath Excel 2010 in Verbindung mit Datawarehouse und im Vergleich zu Business Objects Autor: Dipl. Wirtsch.-Inf. Torsten Kühn PRAXIS-Consultant PRAXIS EDV- Betriebswirtschaft- und

Mehr

Anforderungen und Auswahlkriterien für Projektmanagement-Software

Anforderungen und Auswahlkriterien für Projektmanagement-Software Anforderungen und Auswahlkriterien für Projektmanagement-Software Anika Gobert 1,Patrick Keil 2,Veronika Langlotz 1 1 Projektmanagement Payment Giesecke &Devrient GmbH Prinzregentenstr. 159, Postfach 800729,

Mehr

Einführung in das Entity-Relationship-Modell

Einführung in das Entity-Relationship-Modell Einführung in das Entity-Relationship-Modell Historie Entity-Relationship-Modell kurz: ER-Modell bzw. ERM 1976 von Peter Chen vorgeschlagen Standardmodell für frühe Entwurfsphasen in der Datenbankentwicklung

Mehr

Vertrautmachen mit Daten

Vertrautmachen mit Daten Kapitel III Vertrautmachen mit Daten 2004 AIFB / FZI 1 III Vertrautmachen mit Daten (see also Data Preparation ) 2004 AIFB / FZI 2 III Vertrautmachen mit Daten III.1 OLAP III.1.1 Einführung in OLAP Wie

Mehr

Kapitel II. Datenbereitstellung 2004 AIFB / FZI 1. Vorlesung Knowledge Discovery

Kapitel II. Datenbereitstellung 2004 AIFB / FZI 1. Vorlesung Knowledge Discovery Kapitel II Datenbereitstellung 2004 AIFB / FZI 1 II. Datenbereitstellung 2004 AIFB / FZI 2 II. Datenbereitstellung Collect Initial Data identify relevant attributes identify inconsistencies between sources

Mehr

Kapitel 6 Einführung in Data Warehouses

Kapitel 6 Einführung in Data Warehouses Kapitel 6 Einführung in Data Warehouses Skript zur Vorlesung: Datenbanksysteme II Sommersemester 2008, LMU München 2008 Dr. Peer Kröger Dieses Skript basiert zu einem Teil auf dem Skript zur Vorlesung

Mehr

Prüfungsberatungs-Stunde Datenbanksysteme 1 (Dbs1)

Prüfungsberatungs-Stunde Datenbanksysteme 1 (Dbs1) Prüfungsberatungs-Stunde Datenbanksysteme 1 (Dbs1) Herbstsemester 2013/14 Prof. S. Keller Informatik HSR Januar 2014, HS13/14 Dbs1 - Prüfungsvorbereitung 1 Dbs1 Ziele Grundlagenwissen in folgenden Gebieten

Mehr

Mit Transbase Hypercube Data Warehouse Anwendungen effizient betreiben. Die Hypercube-Technologie

Mit Transbase Hypercube Data Warehouse Anwendungen effizient betreiben. Die Hypercube-Technologie Mit Transbase Hypercube Data Warehouse Anwendungen effizient betreiben Transbase Hypercube ist eine Transbase -Option, die die innovative Hypercube-Technologie für komplexe analytische Anwendungen (OLAP)

Mehr

Inhaltsübersicht INHALTSVERZEICHNIS...III ABBILDUNGSVERZEICHNIS... X TABELLENVERZEICHNIS... XII ABKÜRZUNGSVERZEICHNIS...XIII 1 EINLEITUNG...

Inhaltsübersicht INHALTSVERZEICHNIS...III ABBILDUNGSVERZEICHNIS... X TABELLENVERZEICHNIS... XII ABKÜRZUNGSVERZEICHNIS...XIII 1 EINLEITUNG... Inhaltsübersicht Inhaltsübersicht I INHALTSVERZEICHNIS...III ABBILDUNGSVERZEICHNIS... X TABELLENVERZEICHNIS... XII ABKÜRZUNGSVERZEICHNIS...XIII 1 EINLEITUNG... 1 1.1 Zielsetzung und Motivation... 1 1.2

Mehr

Master-Thesis (m/w) für unseren Standort Stuttgart

Master-Thesis (m/w) für unseren Standort Stuttgart Master-Thesis (m/w) für unseren Standort Abschlussarbeit im Bereich Business Process Management (BPM) Effizienzsteigerung von Enterprise Architecture Management durch Einsatz von Kennzahlen Braincourt

Mehr

Block R (Rahmen): SE Aktivitäten 21.10.04 2. Vorlesung Methoden des Software Engineering. Block R Rahmen Aktivitäten der Software-Entwicklung

Block R (Rahmen): SE Aktivitäten 21.10.04 2. Vorlesung Methoden des Software Engineering. Block R Rahmen Aktivitäten der Software-Entwicklung Block R (Rahmen): SE Aktivitäten 21.10.04 1 Vorlesung Methoden des Software Engineering Block R Rahmen Aktivitäten der Software-Entwicklung Martin Wirsing Einheit R.2, 21.10.2004 Block R (Rahmen): SE Aktivitäten

Mehr

BPM und egpm. Prozessbasierte Anforderungsanalyse, Fallstudie bei einem Kommunikationsunternehmen. Thorsten Fiege (Pegasystems) & Kai Meyer (C1 WPS)

BPM und egpm. Prozessbasierte Anforderungsanalyse, Fallstudie bei einem Kommunikationsunternehmen. Thorsten Fiege (Pegasystems) & Kai Meyer (C1 WPS) BPM und egpm Prozessbasierte Anforderungsanalyse, Fallstudie bei einem Kommunikationsunternehmen Thorsten Fiege (Pegasystems) & Kai Meyer (C1 WPS) C1 WPS GMBH //// Vogt-Kölln-Str. 30 //// 22527 HAMBURG

Mehr

Seminar C16 - Datenmodellierung für SAP BW

Seminar C16 - Datenmodellierung für SAP BW C16: Datenmodellierung für SAP BW Ein Seminar der DWH academy Seminar C16 - Datenmodellierung für SAP BW Dieses Seminar soll einen umfassenden Einblick in die Datenmodellierung beim Einsatz von SAP BW

Mehr

Business Intelligence Aufgabenstellung

Business Intelligence Aufgabenstellung Hochschule Darmstadt Business Intelligence (BI) Fachbereich Informatik Praktikum 2 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Sebastian Gobst Änderung: 15.06.2012 Datum: 30.05.2012 1. Einführung

Mehr

Quality Point München Datenqualität

Quality Point München Datenqualität Quality Point München Datenqualität Paul, wie ist denn Eure Datenqualität? Nachdem ich bei der letzten Gehaltszahlung mit Frau... angeredet wurde, bin ich mir nicht mehr so sicher. Autor: W. Ulbrich IT&More

Mehr

Definition Informationssystem

Definition Informationssystem Definition Informationssystem Informationssysteme (IS) sind soziotechnische Systeme, die menschliche und maschinelle Komponenten umfassen. Sie unterstützen die Sammlung, Verarbeitung, Bereitstellung, Kommunikation

Mehr

Hochschule Darmstadt Business Intelligence WS 2013-14 Fachbereich Informatik Praktikumsversuch 3. Aufgabenstellung

Hochschule Darmstadt Business Intelligence WS 2013-14 Fachbereich Informatik Praktikumsversuch 3. Aufgabenstellung Hochschule Darmstadt Business Intelligence WS 2013-14 Fachbereich Informatik Praktikumsversuch 3 Prof. Dr. C. Wentzel Dipl. Inf. Dipl. Math. Y. Orkunoglu Datum: 18.12.2013 1. Kurzbeschreibung Dieses Praktikum

Mehr

Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses

Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses Vergleich von Open-Source und kommerziellen Programmen zur Durchführung eines ETL-Prozesses Exposé zur Diplomarbeit Humboldt-Universität zu Berlin Mathematisch-Naturwissenschaftliche Fakultät II Institut

Mehr

IT-basierte Kennzahlenanalyse im Versicherungswesen

IT-basierte Kennzahlenanalyse im Versicherungswesen Angelina Jung IT-basierte Kennzahlenanalyse im Versicherungswesen Kennzahlenreporting mit Hilfe des SAP Business Information Warehouse Diplomica Verlag Angelina Jung IT-basierte Kennzahlenanalyse im Versicherungswesen:

Mehr

Datawarehouse Architekturen. Einheitliche Unternehmenssicht

Datawarehouse Architekturen. Einheitliche Unternehmenssicht Datawarehouse Architekturen Einheitliche Unternehmenssicht Was ist Datawarehousing? Welches sind die Key Words? Was bedeuten sie? DATA PROFILING STAGING AREA OWB ETL OMB*PLUS SAS DI DATA WAREHOUSE DATA

Mehr

1Ralph Schock RM NEO REPORTING

1Ralph Schock RM NEO REPORTING 1Ralph Schock RM NEO REPORTING Bereit für den Erfolg Business Intelligence Lösungen Bessere Entscheidungen Wir wollen alle Mitarbeiter in die Lage versetzen, bessere Entscheidungen schneller zu treffen

Mehr

1 Grundbegriffe...1. 2 Datenbanksysteme...7. 3 Entwicklung von Datenbanksystemen...15. Inhaltsverzeichnis. 1.1 Information und Daten...

1 Grundbegriffe...1. 2 Datenbanksysteme...7. 3 Entwicklung von Datenbanksystemen...15. Inhaltsverzeichnis. 1.1 Information und Daten... Inhaltsverzeichnis 1 Grundbegriffe...1 1.1 Information und Daten...2 1.2 Datenorganisation...3 1.3 Dateikonzept...5 1.4 Kontroll- und Vertiefungsfragen...6 2 Datenbanksysteme...7 2.1 Datenintegration...7

Mehr

Survival Guide für Ihr Business Intelligence-Projekt

Survival Guide für Ihr Business Intelligence-Projekt Survival Guide für Ihr Business Intelligence-Projekt Sven Bosinger Solution Architect BI Survival Guide für Ihr BI-Projekt 1 Agenda Was ist Business Intelligence? Leistungsumfang Prozesse Erfolgsfaktoren

Mehr

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit

BI Konsolidierung: Anspruch & Wirklichkeit. Jacqueline Bloemen. in Kooperation mit BI Konsolidierung: Anspruch & Wirklichkeit Jacqueline Bloemen in Kooperation mit Agenda: Anspruch BI Konsolidierung Treiber Was sind die aktuellen Treiber für ein Konsolidierungsvorhaben? Kimball vs. Inmon

Mehr

Unlimited Controlling

Unlimited Controlling smcolap Unlimited Controlling Heute müssen beliebige Bereiche eines Unternehmens schnell und effizient analysiert werden. Dabei darf es keine Rolle spielen, wo die Daten liegen und in welcher Relation

Mehr

F achartikel. OLAP-Modellierung mit Hilfe der ADAPT-Notation

F achartikel. OLAP-Modellierung mit Hilfe der ADAPT-Notation Dr. Michael Hahne ist Geschäftsführender Gesellschafter der Hahne Consulting GmbH, eines auf BI-Architektur und -Strategie spezialisierten Beratungsunternehmens. Zuvor war er Vice President und Business

Mehr

Softwaretool Data Delivery Designer

Softwaretool Data Delivery Designer Softwaretool Data Delivery Designer 1. Einführung 1.1 Ausgangslage In Unternehmen existieren verschiedene und häufig sehr heterogene Informationssysteme die durch unterschiedliche Softwarelösungen verwaltet

Mehr

Modellgetriebene agile BI-Vorgehensweise

Modellgetriebene agile BI-Vorgehensweise Modellgetriebene agile BI-Vorgehensweise Thomas Neuböck Konrad Linner 12.11.2013 Inhalt Anforderungen und Lösungsansatz Agile Vorgehensweise Orientierung nach Fachthemen Architekturrahmen Modellorientierung

Mehr

Datenbankmodelle 1. Das Entity-Relationship-Modell. Prof. Dr. Bernhard Schiefer 2-1

Datenbankmodelle 1. Das Entity-Relationship-Modell. Prof. Dr. Bernhard Schiefer 2-1 Datenbankmodelle 1 Das Entity-Relationship-Modell Prof. Dr. Bernhard Schiefer 2-1 Datenbankmodelle ER-Modell hierarchisches Modell Netzwerkmodell relationales Modell objektorientierte Modelle Prof. Dr.

Mehr

Konzeption und Realisierung eines Data Warehouses zur Analyse chirurgischer Workflows

Konzeption und Realisierung eines Data Warehouses zur Analyse chirurgischer Workflows Matthias Röger Konzeption und Realisierung eines Data Warehouses zur Analyse chirurgischer Workflows Diplomica Verlag Matthias Röger Konzeption und Realisierung eines Data Warehouses zur Analyse chirurgischer

Mehr

Modellierungsaspekte eines Data Warehouse Wolfgang Gerken Fachhochschule Hamburg

Modellierungsaspekte eines Data Warehouse Wolfgang Gerken Fachhochschule Hamburg Modellierungsaspekte eines Data Warehouse Wolfgang Gerken Fachhochschule Hamburg Zusammenfassung Die Extraktion von verwertbarem Wissen aus Daten wird immer wichtiger. Dabei hilft ein Data Warehouse. Es

Mehr

Management Support Systeme

Management Support Systeme Folie 1 Management Support Systeme Literatur zur Vorlesung MSS Gluchowski, Peter; Gabriel, Roland; Chamoni, Peter (1997): Management Support Systeme. Computergestützte Informationssysteme für Führungskräfte

Mehr

Marketing Intelligence Vorstellung der Softwarekomponenten. Josef Kolbitsch Manuela Reinisch

Marketing Intelligence Vorstellung der Softwarekomponenten. Josef Kolbitsch Manuela Reinisch Marketing Intelligence Vorstellung der Softwarekomponenten Josef Kolbitsch Manuela Reinisch Übersicht Übersicht über die Systemlandschaft Übersicht über die Werkzeuge Workshop Systemlandschaft 1/8 Klassische

Mehr

Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung

Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung Asklepius-DA Die intelligente Technologie für die umfassende Analyse medizinischer Daten Leistungsbeschreibung Datei: Asklepius DA Flyer_Leistung_2 Seite: 1 von:5 1 Umfassende Datenanalyse Mit Asklepius-DA

Mehr

Business Intelligence Data Warehouse. Jan Weinschenker

Business Intelligence Data Warehouse. Jan Weinschenker Business Intelligence Data Warehouse Jan Weinschenker 28.06.2005 Inhaltsverzeichnis Einleitung eines Data Warehouse Data Warehouse im Zusammenfassung Fragen 3 Einleitung Definition: Data Warehouse A data

Mehr

Objektorientierte Datenmodelle und - verwaltung

Objektorientierte Datenmodelle und - verwaltung Schlagworte der 90er: Objektorientiertes GIS OpenGIS Case-Tool Geoökologe Legt Problemstellung fest (Art, Anzahl, Dimension, Skalierung) Wählt Koordinatensystem Wählt Fachattribute OOUI (object-oriented

Mehr

Wie integriert sich BI in den unternehmensweiten Softwareentwicklungsprozess? Nürnberg, 10.11.2009

Wie integriert sich BI in den unternehmensweiten Softwareentwicklungsprozess? Nürnberg, 10.11.2009 Wie integriert sich BI in den unternehmensweiten Softwareentwicklungsprozess? Nürnberg, 10.11.2009 I N H A L T 1. Warum Modelle für Business Intelligence (BI)? 2. Anforderungen von BI an Software- Entwicklungsprozesse

Mehr

Seminar C02 - Praxisvergleich OLAP Tools

Seminar C02 - Praxisvergleich OLAP Tools C02: Praxisvergleich OLAP Tools Ein Seminar der DWH academy Seminar C02 - Praxisvergleich OLAP Tools Das Seminar "Praxisvergleich OLAP-Tools" bietet den Teilnehmern eine neutrale Einführung in die Technologien

Mehr